Umělá neuronová síť pro modelování polí uvnitř automobilu

Abstract

Tato diplomová práce se zabývá umělými neuronovými sítěmi. Po navržení a odladění vzorové testovací a trénovací sady byly vytvořeny vícevrstvé perceptronové sítě v Neural Network Toolbox(NNT) Matlabu. Pro vytváření sítí byly využity různé trénovací algoritmy a algoritmy zlepšující generalizaci sítě. Při tvorbě radiální bázové sítě nebylo užito NNT. Tato síť byla vytvořena kódem v programu Matlab. Funkčnost vytvořených sítí byla ověřena na jednoduchých trénovacích a testovacích vzorech. Reálná trénovací data byla získána simulací dvanácti monokónických anténpracujícíchna frekvencích 2 až 6 GHz. Antény byly rozmístěny uvnitř matematického modelu Octavia II. Simulací v programu CST Microwave Studio byla modelována elektromagnetická pole uvnitř automobilu. U natrénovaných sítí zobrazujeme regresivní křivku přichycení trénovacích vzorů k síti, závislosti střední kvadratické chyby na počtu neuronů a na složitosti vstupního signálu a absolutní chybu sítě. Vlastnosti jednotlivých sítí jsou vzájemně porovnány a jsou určeny podmínky pro použití NN sítí pro modelování polí uvnitř automobilu.The project deals with artificial neural networks. After designing and debugging the test data set and the training sample set, we created a multilayer perceptron network in the Neural NetworkToolbox (NNT) of Matlab. When creating networks, we used different training algorithms and algorithms improving the generalization of the network. When creating a radial basis network, we did not use the NNT, but a specific source code in Matlab was written. Functionality of neural networks was tested on simple training and testing patterns. Realistic training data were obtained by the simulation of twelve monoconic antennas operating in the frequency range from 2 to 6 GHz. Antennas were located inside a mathematical model of Octavia II. Using CST simulations, electromagnetic fields in a car were obtained. Trained networks are described by regressive characteristics andthe mean square error of training. Algorithms improving generalization are applied on the created and trained networks. The performance of individual networks is mutually compared.